Ultralytics YOLOv8のML実験トラッキング統合を探る

アビラミ・ヴィナ

4 min read

2024年8月30日

YOLOv8モデルトレーニング実験を追跡・モニターするための様々なオプションについて、さらに詳しく知ってください。ツールを比較して、あなたのニーズに最適なものを見つけてください。

データを収集し、アノテーションを付けUltralytics YOLOv8モデルのようなモデルをトレーニングすることは、あらゆるコンピュータビジョンプロジェクトの中核です。多くの場合、最適なモデルを作成するために、カスタムモデルを異なるパラメータで複数回トレーニングする必要があります。トレーニング実験を追跡するツールを使用することで、コンピュータビジョンプロジェクトの管理を少し簡単にすることができます。実験追跡とは、使用したパラメータ、得られた結果、途中で行った変更など、トレーニング実行の詳細を記録するプロセスです。 

__wf_reserved_inherit
図1.実験追跡がコンピュータ・ビジョン・プロジェクトにどのように適合するかを示すイメージ。 

これらの詳細を記録しておくことは、結果を再現し、何がうまくいき、何がうまくいかないかを理解し、モデルをより効果的に微調整するのに役立つ。組織にとっては、チーム間の一貫性を維持し、コラボレーションを促進し、明確な監査証跡を提供するのに役立ちます。個人にとっては、自分の仕事を明確かつ整理された形で文書化することで、アプローチを洗練させ、時間をかけてより良い結果を得ることができます。 

この記事では、YOLOv8実験の管理・モニタリングに利用できる様々なトレーニングインテグレーションをご紹介します。あなたが一人でやっているにせよ、大きなチームの一員としてやっているにせよ、適切なトラッキングツールを理解し使用することで、YOLOv8プロジェクトの成功に真の違いをもたらすことができます。

MLflowによる機械学習実験のトラッキング

MLflowはDatabricks社が開発したオープンソースのプラットフォームで、機械学習のライフサイクル全体の管理を容易にします。MLflow TrackingはMLflowの必須コンポーネントであり、データサイエンティストやエンジニアの機械学習実験のログと可視化を支援するAPIとユーザーインターフェイスを提供します。Python、REST、Java、R APIを含む複数の言語とインターフェースをサポートしています。 

MLflowトラッキングはYOLOv8とスムーズに統合され、精度、再現率、損失などの重要なメトリクスをモデルから直接記録することができます。YOLOv8とMLflowのセットアップは簡単で、デフォルトのローカルホストのセットアップを使用したり、様々なデータストアに接続したり、リモートMLflowトラッキングサーバーを起動してすべてを整理したりと、柔軟なオプションが用意されています。

__wf_reserved_inherit
図2.MLflowトラッキング環境の一般的なセットアップ。画像ソース MLflow tracking.

MLflowがあなたのプロジェクトに適したツールかどうかを判断するためのインプットをいくつか紹介します:

  • スケーラビリティ: MLflow は、1 台のマシンで作業している場合でも、大規模なクラスタにデプロイしている 場合でも、ニーズに合わせて拡張することができます。開発から本番環境へのスケールアップを伴うプロジェクトの場合、MLflow はこの成長をサポートします。
  • プロジェクトの複雑性MLflow は、徹底したトラッキング、モデル管理、デプロイメント機能を必要とする複雑なプロ ジェクトに最適です。これらの本格的な機能を必要とするプロジェクトでは、MLflow がワークフローを合理化します。
  • セットアップとメンテナンス:MLflowは強力ですが、学習曲線とセットアップのオーバーヘッドを伴います。 

コンピュータ・ビジョンのモデル追跡における重みとバイアス(W&B)の使用

Weights & Biasesは、機械学習実験を追跡、可視化、管理するためのMLOpsプラットフォームです。W&BをYOLOv8と共に使用することで、トレーニングや微調整を行いながらモデルのパフォーマンスを監視することができます。W&Bのインタラクティブなダッシュボードは、これらのメトリクスの明確でリアルタイムなビューを提供し、トレンドの発見、モデルのバリエーションの比較、トレーニングプロセス中の問題のトラブルシューティングを容易にします。

W&Bは自動的に学習メトリクスとモデルのチェックポイントを記録し、学習率やバッチサイズなどのハイパーパラメータを微調整するために使用することもできます。このプラットフォームは、ローカルマシンでの実行追跡からクラウドストレージを使用した大規模プロジェクトの管理まで、幅広いセットアップオプションをサポートしています。

__wf_reserved_inherit
図3.Weights & Biasesの実験追跡ダッシュボードの例。画像ソース:Weights & Biasesの実験追跡。

ここでは、Weights & Biasesがあなたのプロジェクトに適したツールであるかどうかを判断するためのインプットをいくつか紹介します:

  • 可視化とトラッキングの強化:W&Bは直感的なダッシュボードを提供し、トレーニングメトリクスとモデルパフォーマンスをリアルタイムで可視化します。
  • 価格モデル:これは、予算が限られているユーザーや、長時間のトレーニングが必要なプロジェクトには不向きかもしれない。

ClearMLによるMLOps実験のトラッキング

ClearMLは、機械学習ワークフローの自動化、監視、オーケストレーションのために設計されたオープンソースのMLOpsプラットフォームです。PyTorch、TensorFlow、Kerasなどの一般的な機械学習フレームワークをサポートし、既存のプロセスと簡単に統合できます。また、ClearML はローカルマシンやクラウドでの分散コンピューティングをサポートし、CPU や GPU の使用状況を監視することができます。

YOLOv8とClearMLの統合により、実験追跡、モデル管理、リソース監視のためのツールが提供されます。このプラットフォームの直感的なウェブUIでは、データの可視化、実験の比較、損失、精度、検証スコアなどの重要なメトリクスのリアルタイム追跡が可能です。この統合は、リモート実行、ハイパーパラメータのチューニング、モデルのチェックポイントなどの高度な機能もサポートしています。

__wf_reserved_inherit
図4.ClearMLの実験追跡ビジュアライゼーションの例。画像ソースClear MLによる実験のトラッキングと結果の可視化。

ClearML があなたのプロジェクトに適したツールかどうかを判断するためのインプットをいくつか紹介します:

  • 高度な実験追跡の必要性ClearML は Git との自動統合を含む強固な実験トラッキングを提供します。
  • 柔軟なデプロイメント:ClearMLは、オンプレミス、クラウド、Kubernetesクラスタ上で使用でき、さまざまなセットアップに適応します。

コメットMLを使ったトレーニング実験の追跡

Comet MLは、機械学習実験の管理と追跡を支援するユーザーフレンドリーなプラットフォームです。YOLOv8とComet MLを統合することで、実験のログを取り、結果を時系列で見ることができます。この統合により、トレンドの発見や異なる実験の比較が容易になります。 

コメットMLは、クラウド、仮想プライベートクラウド(VPC)、あるいはオンプレミスでも使用できるため、さまざまなセットアップやニーズに適応できる。このツールはチームワークのために設計されている。プロジェクトを共有し、チームメイトをタグ付けし、コメントを残すことで、全員が同じページにとどまり、実験を正確に再現することができる。

ここでは、Comet MLがあなたのプロジェクトに適したツールであるかどうかを判断するためのインプットをいくつか紹介します:

  • 複数のフレームワークと言語をサポート: コメットMLはPython、JavaScript、Java、Rなどで動作するため、プロジェクトで使用するツールや言語に関係なく、汎用性の高いオプションとなっている。
  • カスタマイズ可能なダッシュボードとレポート:コメットMLのインターフェイスは高度にカスタマイズ可能であるため、プロジェクトに最も適したレポートやダッシュボードを作成することができます。
  • コストコメットMLは商用プラットフォームであり、一部の高度な機能には有料のサブスクリプションが必要です。

TensorBoardはビジュアライゼーションに役立ちます。

TensorBoardは、TensorFlow実験のために特別に設計された強力な可視化ツールキットですが、幅広い機械学習プロジェクトのメトリクスを追跡して可視化するための優れたツールでもあります。そのシンプルさとスピードで知られるTensorBoardは、ユーザが簡単に主要なメトリクスを追跡し、モデルグラフ、エンベッディング、その他のデータタイプを可視化することを可能にします。

YOLOv8でTensorBoardを使用する大きな利点の1つは、プリインストールされているため、追加のセットアップが不要であることだ。もう1つの利点は、TensorBoardが完全にオンプレミスで実行できることです。これは、厳しいデータプライバシー要件があるプロジェクトや、クラウドアップロードが選択できない環境にあるプロジェクトにとって、特に重要です。

__wf_reserved_inherit
図5.TensorBoardを使用したYOLOv8モデル学習のモニタリング。

TensorBoardがあなたのプロジェクトに適したツールかどうかを判断するためのインプットをいくつか紹介します:

  • What-Ifツール(WIT)による説明可能性: TensorBoardにはWhat-Ifツールが含まれており、MLモデルを探索し理解するための使いやすいインターフェイスを提供します。これは、ブラックボックスモデルに対する洞察を得て、説明可能性を向上させたい人にとって価値があります。
    ↪C_D↩
  • シンプルな実験トラッキング:TensorBoardは、実験比較が限定された基本的な追跡ニーズに最適で、強固なチームコラボレーション機能、バージョン管理、プライバシー管理が欠けている。

DVCLive(データ・バージョン・コントロール・ライブ)によるML実験の追跡

YOLOv8とDVCLiveの統合は、Gitに大きなファイルを保存することなく、データセット、モデル、コードを一緒にバージョン管理することで、実験を追跡・管理する合理的な方法を提供します。Gitのようなコマンドを使用し、追跡されたメトリクスをプレーン・テキスト・ファイルに保存することで、バージョン管理を容易にします。DVCLiveは、主要なメトリクスを記録し、結果を視覚化し、リポジトリを乱雑にすることなく実験をきれいに管理します。幅広いストレージ・プロバイダをサポートし、ローカルでもクラウドでも動作します。DVCLiveは、追加のインフラストラクチャやクラウドに依存することなく、実験追跡を合理化したいチームに最適です。

Ultralytics HUBを使用したUltralyticsモデルとワークフローの管理

Ultralytics HUBはYOLOv5や YOLOv8などのUltralytics YOLOモデルの トレーニングデプロイ、管理を簡素化するために設計された、社内のオールインワンプラットフォームです。外部との統合とは異なり、Ultralytics HUBはYOLOユーザーのために特別に作られたシームレスでネイティブな体験を提供します。データセットのアップロード、トレーニング済みモデルの選択、クラウドリソースを使用したトレーニングの開始が、すべてHUBの使いやすいインターフェイス上で簡単に行えます。UltralyticsHUBは実験のトラッキングもサポートしており、トレーニングの進捗状況の監視、結果の比較、モデルの微調整を簡単に行うことができます。

__wf_reserved_inherit
図7.Ultralytics HUBを使用したYOLOv8モデルトレーニングのモニタリング。

要点

機械学習実験のトラッキングに適切なツールを選択することで、大きな違いが生まれます。今回取り上げたツールはすべてYOLOv8の学習実験をトラッキングするのに役立ちますが、それぞれの長所と短所を比較検討し、あなたのプロジェクトに最適なものを見つけることが重要です。適切なツールは、あなたを整理整頓し、YOLOv8モデルのパフォーマンス向上に役立ちます! 

統合は、あなたの革新的なプロジェクトでのYOLOv8の使用を簡素化し、進捗を加速させます。よりエキサイティングなYOLOv8インテグレーションを調べるには、私たちのドキュメントをご覧ください。

GitHubリポジトリや コミュニティに参加して、AIについてもっと知ってください。製造業や ヘルスケアにおけるAIの詳細については、ソリューションのページをご覧ください。🚀

AIの未来
を一緒に作りましょう!

機械学習の未来への旅を始めよう

無料で始める
クリップボードにコピーされたリンク